GPQA 大模型得分排行榜
数据来源：DataLearnerAI
GPQA详细排名数据表格
排名
模型
得分
发布时间
参数(亿)
研究生级别的 **Google 防查找问答基准测试**（即Graduate-Level Google-Proof Q&A Benchmark，简称 GPQA）是大型语言模型（LLM）面临的最具挑战性的评估之一。GPQA 旨在推动人工智能能力的极限，提供一个严格的测试平台，不仅评估模型的事实记忆能力，还考察其在专业科学领域的深度推理和理解能力。本篇博文将客观介绍 GPQA，涵盖它的起源、目的、组成部分，以及领先的大型语言模型在这个高要求基准测试中的表现。
模型模式说明
不同模式会显著影响成绩，请在对比榜单时留意标签提示。
提示：若某条记录未显示任何标签，即默认是 normal 常规模式。
normal
常规推理：单步推理，不延长思考、也不调用额外工具。
thinking
low
medium
high
Thinking 系列：常规延长思考时间，low/medium/high 代表不同耗时或深度，各厂商叫法不同。
deeper thinking
Deeper thinking：在 Thinking 基础上进一步延长思考链条，通常意味着更多算力与时间。
使用工具 / 联网
允许调用检索、浏览器、代码解释器等外部能力。
parallel_thinking
并行思考：多线程/多代理协同探索再汇总，通常只在厂商内部实验环境中启用、尚未对外开放，因此被视为“作弊”模式。
